CN112269373B - 一种车辆控制系统的状态估计模块 - Google Patents
一种车辆控制系统的状态估计模块 Download PDFInfo
- Publication number
- CN112269373B CN112269373B CN202011200235.7A CN202011200235A CN112269373B CN 112269373 B CN112269373 B CN 112269373B CN 202011200235 A CN202011200235 A CN 202011200235A CN 112269373 B CN112269373 B CN 112269373B
- Authority
- CN
- China
- Prior art keywords
- state
- vehicle
- time
- noise
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0256—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种车辆控制系统的状态估计模块,包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块。本发明在迭代过程中充分考虑历史数据和最新量测数据的影响,用于估计系统的过程噪声Qk,大大提高了车辆控制系统状态变量的准确性。
Description
技术领域
本发明属于车辆控制领域,尤其涉及一种车辆控制系统的状态估计模块。
背景技术
车辆控制系统包括数据采集单元、控制单元和执行机构。数据采集单元包括方向盘信息、制动踏板、油门踏板和挡位等信息,控制单元包括车辆转向系统控制单元、制动系统控制单元和驱动系统控制单元,执行机构包括自动变速箱、制动器和方向盘自主转向机构等。车辆状态估计模块是车辆驱动系统中一个重要模块,在车辆控制系统中,传感器数据的值存在噪声和随机波动导致数据不准确,而通过模型计算出的数据准确性很大依赖于模型的精确与否。获得准确的车辆状态信息是车辆取得良好控制效果的基础条件。基于自适应卡尔曼滤波算法的车辆状态信息估计模块,作为车辆控制系统中的一个重要组成部分,其对状态量的准确估计对车辆行驶的经济性和安全性都有重大影响。
卡尔曼滤波器被用于处理线性系统的状态估计,但实际系统大多具有非线性特征,以线性随机差分方程为基础的卡尔曼滤波不适用于实际系统。为了处理非线性问题,对非线性系统进行近似线性化处理的扩展卡尔曼(Extended Kalman filtering,EKF)滤波方法被提出来,由于忽略高阶项引入线性误差,存在滤波器发散问题。为了解决EKF存在线性误差问题,无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)被提出来。无迹卡尔曼滤波器没有对原非线性系统进行近似,而是通过无迹变换(Unscented transformation,UT),对非线性系统的概率分布进行近似,减小了EKF对非线性函数进行近似的难度。无迹卡尔曼滤波算法的应用前提是假设系统过程噪声和测量噪声的统计特性是已知的,噪声服从高斯分布。在实际系统中,当系统发生内部扰动或外部环境扰动时,噪声统计特性是未知且时变的。若假设的噪声统计特性与实际的噪声统计特性偏差较大,容易导致滤波器发散。
为了提高非线性系统状态估计准确性,许多自适应卡尔曼滤波算法被提出来用于估计噪声。其中指数加权自适应卡尔曼滤波算法是比较经典的一种算法。指数衰减自适应卡尔曼滤波算法中,调制因子b的选择是决定状态估计准确性的因素之一。b越大对于历史数据的权重衰减越慢,b越小对于历史数据的权重衰减越快。一般指数衰减噪声估计其选取b为接近1的常数,这种情况下无论迭代多少次,对于历史数据的衰减总是按照一定的速度进行的。而在时变系统中,状态时变较快时希望更多考虑最新数据,状态时变较慢时希望综合考虑历史数据。为了克服一般指数衰减噪声估计器的缺点,提出一种加强自适应卡尔曼滤波噪声估计器,提高车辆控制系统状态变量估计的准确性。
发明内容
为解决上述问题,本发明公开了一种车辆控制系统的状态估计模块。本发明在迭代过程中充分考虑历史数据和最新量测数据的影响,用于估计系统的过程噪声Qk,大大提高了车辆控制系统中状态变量的准确性。
为实现上述目的,本发明的技术方案为:
一种车辆控制系统的状态估计模块,包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块;车辆控制系统的状态估计模块对车辆状态初始变量进行如下处理:
步骤一、将车辆状态变量输入初始变量输入模块的系统噪声未知的非线性系统模型,得到对应时刻的车辆状态向量;
步骤五、通过噪声估计模块设计噪声估计器:
其中,表示第k时刻的过程噪声统计估计值,为第k时刻控制系
统状态变量真实值,,j=1,
2,...k;b为调制因子,且满足;表示第j时刻的卡尔曼
滤波增益矩阵,表示的转置,表示第j时刻车辆状态输出预
测值与实际量测值之间的误差矩阵,表示的转置;表示车辆
状态变量的第j时刻的误差协方差阵,表示j-1时刻第i个点经f变换得到的第i个点;表示车辆在第j时刻状态变量
的先验估计; 表示在第j时刻,x无迹变换后的第i个点与第j时刻x的
先验估计的方差权系数,n表示状态变量个数,状态变量包括车辆行驶纵向速度、侧向速度
和横摆角速度,n=3;
步骤七、重复步骤四到步骤六,完成车辆状态变量的迭代、更新过程。
式中,表示第k时刻车辆状态向量,,表示第k时刻车辆纵向速度,表示第k时刻车辆侧向速度,表示第k时刻车辆横摆角速度。,表示n维实数集,表示第k-1时刻控制
量,包括前轮转角和车轮转速;表示第k-1时刻过程噪声,表示第k时刻量测值,,表示第k时刻量测噪声,过
程噪声和量测噪声均服从零均值的高斯分布;,; f()表示车辆状态微分方程,h()表示车辆量测
函数;和是互不相关的高斯白噪声,满足 (2)
cov()表示量测噪声和过程噪声的协方差。
进一步的改进,所述步骤二包括如下步骤:
进一步的改进,所述步骤三包括如下步骤:
进一步的改进,所述步骤四包括如下步骤:
对进行无迹变换,得到点集,经过非
线性变化得到中间变量,再根据式(5)计算得到第k时刻输
出预测值和第k时刻的量测变量协方差阵;根据k时刻的实际量
测值,由式(5)计算得到k时刻的状态更新值和状态变量x的误差协方差
矩阵更新;用于下一轮的无迹变换,再次求点集。(5)
其中,为输出预测值,为自协方差矩阵,为x与z
的互协方差矩阵,为第k时刻卡尔曼滤波增益矩阵,为第k时刻状
态估计值更新,为车辆状态变量的误差协方差矩阵更新,为第k时
刻车辆动力学系统量测噪声的方差矩阵。
本发明优点:
本发明在迭代过程中充分考虑历史数据和最新量测数据的影响,用于估计系统的过程噪声Qk,大大提高了车辆控制系统状态变量的准确性。
附图说明
图1为本发明的流程示意图;
图2为车辆控制系统状态估计模块结构图;
图3(a)为车辆纵向速度通过加强自适应UKF、一般指数加权UKF预估的预估值与真实值的度对比图;
图3(b)为通过加强自适应UKF、一般指数加权UKF预估得到的车辆纵向速度误差对比图;
图3(c)为车辆侧向速度通过加强自适应UKF、一般指数加权UKF预估的侧向速度预估值与真实值的度对比图;
图3(d)为通过加强自适应UKF、一般指数加权UKF预估得到的车辆侧向速度误差对比图;
图3(e)为车辆侧向速度通过加强自适应UKF、一般指数加权UKF预估的横摆角速度预估值与真实值的度对比图;
图3(f)为通过加强自适应UKF、一般指数加权UKF预估得到的车辆横摆角速度对比图。
具体实施方式
以下结合附图及实施例对本发明做进一步说明。
本发明提出的技术方案为:
步骤一、对非线性系统建模:
式中,表示第k时刻车辆状态向量,,表示第k时刻车辆纵向速度,表示第k时刻车辆侧向速度,表示第k时刻车辆横摆角速度。,表示第k-1时刻控制量,包括前轮转角和
车轮转速。表示第k-1时刻过程噪声,表示第k时刻量测值,,表示第k时刻量测噪声,过程噪声和量测噪声均服从零均
值的高斯分布。,。表示车辆状态微分方程,表示车
辆量测函数。和是互不相关的高斯白噪声,满足
(2)
步骤二、对状态变量x进行无迹变换:
步骤三、一步预测模块:
步骤四、量测更新模块:
对进行无迹变换,得到点集,经过非
线性变化得到中间变量,再根据式(5)计算得到第k时刻输
出预测值和第k时刻的量测变量协方差阵;根据k时刻的实际量
测值,由式(5)计算得到k时刻的状态更新值和状态变量x的误差协方差
矩阵更新;用于下一轮的无迹变换,再次求点集。(5)
其中,为输出预测值,为自协方差矩阵,为x与z
的互协方差矩阵,为第k时刻卡尔曼滤波增益矩阵,为第k时刻状
态估计值更新,为车辆状态(包括纵向速度、侧向速度和横摆角速度)的误差
协方差矩阵更新,为第k时刻车辆动力学系统量测噪声的方差矩阵。
将式(6)带入式(7)中,得到过程噪声估计值。可以看出在迭代初期,历史数据少,历史数据也能反映最新信息,因子各时刻包含历史信息分量的权值较大,随着迭代次数的增加,产生的历史数据较多,越是陈旧数据其权系数越小,包含最新采集数据分量的权值最大。当迭代次数更高时,包含历史信息的权值近似为零,可以理解为舍弃了最早期部分的历史数据,而强调最新数据的影响,该算法适用于系统变化较快情况。对于系统状态变化缓慢时,历史数据对于噪声估计仍有一定的影响,其权重衰减过快会失去该部分历史数据的重要作用。针对在时变较慢系统中指数衰减较快导致未能充分考虑历史数据的重要作用,提出一种加强自适应UKF算法,能够综合考虑历史数据和最新信息的权重。当系统状态量变化较快时采取一般指数加权UKF方法估计状态量,当系统状态量变化较慢时采取均值加权UKF方法估计状态量。以状态变化率的大小衡量状态量变化快慢,在达到临界值时进行加权算法的切换。
设计调制因子自适应规则如下:
(8)
步骤6:将噪声估计器式(8)带入式(4)中,完成车辆状态变量包括车辆纵向速度、侧向速度和横摆角速度的先验估计。
步骤7:重复步骤4—步骤6,完成车辆状态变量的迭代、更新过程。
(9)
对测试车辆volvo V40进行系统建模,并将状态估计算法用于对控制系统状态变
量进行估计,表示车辆纵向速度,表示车辆侧向速度,
表示车辆横摆角速度。量测数据来源于测试车辆volvo V40 上的GPS和惯性测量。测试车辆
参数见表1.
表1 车辆参数表
对行驶车辆中的纵向速度、侧向速度和横摆角速度等状态进行估计,应用两种方法,估计结果如表2和图3
表2 原有指数加权卡尔曼滤波算法估计误差
状态变量 | |||
RMSE(一般指数加权UKF) | 5.33*10<sup>-1</sup> | 5.81*10<sup>-3</sup> | 1.47*10<sup>-2</sup> |
RMSE(加强自适应UKF) | 3.64*10<sup>-1</sup> | 4.00*10<sup>-3</sup> | 1.42*10<sup>-2</sup> |
从表2和图3(a)-图3(f)中可以看出加强自适应UKF对应的控制系统状态估计模块得到的状态量准确性比一般指数加权UKF方法高。
尽管本发明的实施方案已公开如上,但并不仅仅限于说明书和实施方案中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里所示出与描述的图例。
Claims (1)
1.一种车辆控制系统的状态估计模块,其特征在于,包括初始变量输入模块、无迹变换模块、一步预测模块、量测更新模块、噪声估计模块和状态量更新模块;车辆控制系统的状态估计模块对车辆状态初始变量进行如下处理:
步骤一、将车辆状态变量输入初始变量输入模块的系统噪声未知的非线性系统模型,得到对应时刻的车辆状态向量;所述车辆状态变量包括纵向车速、侧向车速和横摆角速度;
建立系统噪声未知的非线性系统模型:
式中,xk表示第k时刻车辆状态向量,xk=[vx,k vy,k rk]T,vx,k表示第k时刻车辆纵向速度,vy,k表示第k时刻车辆侧向速度,rk表示第k时刻车辆横摆角速度;xk∈Rn,Rn表示n维实数集,uk-1表示第k-1时刻控制量,包括前轮转角δ和车轮转速vr;ωk-1表示第k-1时刻过程噪声,zk表示第k时刻量测值,zk∈Rn,vk表示第k时刻量测噪声,过程噪声和量测噪声均服从零均值的高斯分布;ωk-1~N(0,Qk-1),vk~N(0,Rk);f()表示车辆状态微分方程,h()表示车辆量测函数;ωk和vk是互不相关的高斯白噪声,满足
cov(ωk,υk)=0 (2)
cov()表示量测噪声和过程噪声的协方差
步骤二、获得各时刻的车辆状态向量集合即状态变量x,无迹变换模块对状态变量x进行无迹变换,得到ξ点集;
对状态变量x进行无迹变换,状态变量x即xk的集合:
构造2n+1个ξ点构成点集{ξi|i=0,1,...,2n},使得2n+1个ξ点的分布按照x的概率分布进行分布;
步骤五、通过噪声估计模块设计噪声估计器:
设状态变量变化率θk=(xk-xk-1)/xk-1,满足
其中,表示第k时刻的过程噪声统计估计值,xk为第k时刻控制系统状态变量真实值,j=1,2,...k;b为调制因子,且βk+1-j满足Kj表示第j时刻的卡尔曼滤波增益矩阵,表示Kj的转置,εj表示第j时刻车辆状态输出预测值与实际量测值之间的误差矩阵,表示εj的转置;Pj表示车辆状态变量的第j时刻的误差协方差阵,表示j-1时刻第i个ξ点经f变换得到的第i个χ点;表示车辆在第j时刻状态变量的先验估计;表示在第j时刻,x无迹变换后的第i个ξ点与第j时刻x的先验估计的方差权系数,n表示状态变量个数,其中,包括车辆行驶纵向速度、侧向速度和横摆角速度3个变量,n=3;
步骤七、重复步骤四到步骤六,完成车辆状态变量的迭代、更新过程;
所述步骤四包括如下步骤:
对进行无迹变换,得到点集经过非线性变化得到中间变量再根据式(5)计算得到第k时刻输出预测值和第k时刻的量测变量协方差阵Py,k;根据k时刻的实际量测值zk,由式(5)计算得到k时刻的状态更新值和状态变量x的误差协方差矩阵更新Px,k;Px,k用于下一轮的无迹变换,再次求ξ点集;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200235.7A CN112269373B (zh) | 2020-11-02 | 2020-11-02 | 一种车辆控制系统的状态估计模块 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200235.7A CN112269373B (zh) | 2020-11-02 | 2020-11-02 | 一种车辆控制系统的状态估计模块 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112269373A CN112269373A (zh) | 2021-01-26 |
CN112269373B true CN112269373B (zh) | 2021-08-31 |
Family
ID=74344717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011200235.7A Active CN112269373B (zh) | 2020-11-02 | 2020-11-02 | 一种车辆控制系统的状态估计模块 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112269373B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744026A (zh) * | 2013-12-19 | 2014-04-23 | 广西科技大学 | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 |
CN105378496B (zh) * | 2013-09-05 | 2017-08-18 | 日本康奈可株式会社 | 估计装置以及估计方法 |
CN108357498A (zh) * | 2018-02-07 | 2018-08-03 | 北京新能源汽车股份有限公司 | 一种车辆状态参数确定方法、装置及汽车 |
US10180327B1 (en) * | 2015-06-15 | 2019-01-15 | The Charles Stark Draper Laboratory, Inc. | Methods and apparatus for navigational aiding using celestial object tracking |
CN109476317A (zh) * | 2016-07-29 | 2019-03-15 | Zf腓德烈斯哈芬股份公司 | 行驶状态变量的确定 |
CN109685935A (zh) * | 2017-10-18 | 2019-04-26 | 上海汽车集团股份有限公司 | 一种整车系统状态量的估计方法和装置 |
-
2020
- 2020-11-02 CN CN202011200235.7A patent/CN112269373B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105378496B (zh) * | 2013-09-05 | 2017-08-18 | 日本康奈可株式会社 | 估计装置以及估计方法 |
CN103744026A (zh) * | 2013-12-19 | 2014-04-23 | 广西科技大学 | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 |
US10180327B1 (en) * | 2015-06-15 | 2019-01-15 | The Charles Stark Draper Laboratory, Inc. | Methods and apparatus for navigational aiding using celestial object tracking |
CN109476317A (zh) * | 2016-07-29 | 2019-03-15 | Zf腓德烈斯哈芬股份公司 | 行驶状态变量的确定 |
CN109685935A (zh) * | 2017-10-18 | 2019-04-26 | 上海汽车集团股份有限公司 | 一种整车系统状态量的估计方法和装置 |
CN108357498A (zh) * | 2018-02-07 | 2018-08-03 | 北京新能源汽车股份有限公司 | 一种车辆状态参数确定方法、装置及汽车 |
Also Published As
Publication number | Publication date |
---|---|
CN112269373A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304612B (zh) | 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 | |
CN105205313B (zh) | 模糊高斯和粒子滤波方法、装置及目标跟踪方法、装置 | |
CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
CN116552548B (zh) | 一种四轮分布式电驱动汽车状态估计方法 | |
CN116382071B (zh) | 深度学习网络修正补偿的气动参数智能辨识方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN111189454A (zh) | 基于秩卡尔曼滤波的无人车slam导航方法 | |
CN108931233A (zh) | 一种道路侧向坡度值检测方法及装置 | |
CN116992697A (zh) | 一种智能电动汽车行驶状态信息估计方法 | |
CN117272525A (zh) | 一种智能电动汽车路面附着系数估计方法 | |
CN116923428A (zh) | 一种电动汽车质心侧偏角与轮胎侧向力联合估计方法 | |
CN112269373B (zh) | 一种车辆控制系统的状态估计模块 | |
Im et al. | Simultaneous Estimation of Unknown Road Roughness Input and Tire Normal Forces Based on a Long Short-Term Memory Model | |
CN110912535B (zh) | 一种新型无先导卡尔曼滤波方法 | |
CN113341997B (zh) | 一种基于多状态参数协同估计的横向控制方法及系统 | |
CN114091180B (zh) | 基于飞行数据的扰动风定制化建模和大气数据估计方法 | |
CN115761868A (zh) | 不确定环境下人脸表情分类的鲁棒自适应更新方法 | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
CN112660136A (zh) | 汽车底盘动力学域控制器的路面附着系数辨识方法及装置 | |
CN117806175B (zh) | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 | |
CN109992907A (zh) | 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法 | |
CN117057159B (zh) | 一种周期调度协议下基于三轮车运动模型的状态估计方法 | |
CN117719519A (zh) | 一种车辆行驶状态估计方法 | |
CN116674571A (zh) | 一种基于数据置信度因子的汽车质量与坡度实时估计方法 | |
CN115723767A (zh) | 一种车辆质心侧偏角估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |